基于最小二乘支持向量机的轧制力预测
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题背景及意义 | 第9页 |
| ·轧制力模型的发展 | 第9-10页 |
| ·人工智能在轧制力预测中的研究现状 | 第10-13页 |
| ·神经网络轧制力预测现状 | 第11页 |
| ·支持向量机轧制力预测现状 | 第11-12页 |
| ·支持向量机与神经网络对比 | 第12-13页 |
| ·本文主要研究内容 | 第13-15页 |
| 第2章 支持向量机 | 第15-25页 |
| ·机器学习 | 第15-17页 |
| ·机器学习问题表示 | 第15-16页 |
| ·经验风险最小化 | 第16-17页 |
| ·统计学习理论 | 第17-19页 |
| ·学习过程的一致性条件 | 第17-18页 |
| ·VC维理论 | 第18页 |
| ·推广性的界 | 第18-19页 |
| ·结构风险最小化 | 第19页 |
| ·最小二乘支持向量机 | 第19-21页 |
| ·核技巧 | 第21-24页 |
| ·非线性分类问题 | 第21-23页 |
| ·核函数 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 轧制力预测模型 | 第25-37页 |
| ·传统轧制力模型 | 第25-31页 |
| ·轧制力数学模型 | 第25-28页 |
| ·模型自学习 | 第28-31页 |
| ·PSO-LSSVM轧制力模型 | 第31-33页 |
| ·粒子群优化算法 | 第31-32页 |
| ·混合核PSO-LSSVM轧制力模型 | 第32-33页 |
| ·组合模型 | 第33-35页 |
| ·本章小结 | 第35-37页 |
| 第4章 轧制力预测的离线仿真研究 | 第37-57页 |
| ·数据采集 | 第37-43页 |
| ·特征选择与提取 | 第37-38页 |
| ·数据处理 | 第38-43页 |
| ·BP神经网络轧制力模型仿真分析 | 第43-50页 |
| ·BP神经网络 | 第43-45页 |
| ·BP神经网络轧制力模型 | 第45-50页 |
| ·LSSVM轧制力模型仿真分析 | 第50-54页 |
| ·交叉验证法 | 第50-51页 |
| ·LSSVM轧制力模型 | 第51-54页 |
| ·组合模型仿真分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 轧制力预测的在线应用研究 | 第57-65页 |
| ·轧钢二级UDP系统平台 | 第57-59页 |
| ·轧制力预测模型系统平台 | 第59-64页 |
| ·本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73-74页 |
